KI-gestützte Zustandsüberwachung von Windkraftanlagen

Werover · Deutschland

Energie & Versorgung Facility Management & Instandhaltung Anomalie- & Betrugserkennung Predictive Analytics/Machine Learning Effizienz & Kostensenkung Risikominimierung & Compliance Pilotprojekt

Werover analysiert Sensor- und Akustikdaten von Windturbinen mit Deep-Learning-Modellen, um Rotorblattschäden wie Risse und Erosion frühzeitig zu erkennen. So wird reaktive Notfallreparatur durch vorausschauende Wartung ersetzt.

Vertiefung

Das im Umfeld des de:hub Karlsruhe (Applied AI) entstandene System nutzt PyTorch, TensorFlow, Keras und Scikit-learn, um kontinuierlich Sensordaten von Windkraftanlagen auszuwerten und Anomalien in Echtzeit zu erkennen. Ziel ist es, Blattschäden zu identifizieren, bevor sie zu Betriebsausfällen führen. Die Entwicklung begann 2020 und erreichte nach rund zwei Jahren die Pilotphase; aktuell laufen neun aktive Pilotimplementierungen bei Windenergiebetreibern. Durch die frühzeitige Erkennung sollen Reparaturkosten gesenkt und proaktive statt reaktive Wartungsplanung ermöglicht werden.